前面學了一些關于opencv圖像處理的內容，現在繼續。

一 圖像填充

????????邊界填充（Border Padding）?，即在圖像四周添加指定寬度的像素區域。其核心函數是cv2.copyMakeBorder()，通過不同的填充方式（borderType）處理圖像邊緣，常用于避免卷積操作（如濾波）時邊界信息丟失或調整圖像尺寸。有下面四種參數

1. 黑色邊框?（常數填充）BORDER_CONSTANT?
2. ?鏡像反射含邊緣?（如照鏡子）??BORDER_REFLECT
3. ?鏡像反射不含邊緣?（更平滑）?BORDER_REFLECT_101
4. ?拉伸邊緣像素?（復制最外側像素）?BORDER_REPLICATE
5. ?循環平鋪圖像?（類似紋理重復）BORDER_WRAP

代碼部分

1?常數填充

這里top,bottom,left,right=50,50,50,50，表示要向上下左右要填充的大小，這里填充的是黑色，RGB值為0，0，0。如果是填充其他值可以修改。

zxc=cv2.imread('img.png')
top,bottom,left,right=50,50,50,50
constant=cv2.copyMakeBorder(zxc, top, bottom, left, right,borderType=cv2.BORDER_CONSTANT,value=(0,0,0))
cv2.imshow('zxc',zxc)
cv2.imshow('constant',constant)
cv2.waitKey(0)

2 邊緣折射填充

?BORDER_REFLECT和?BORDER_REFLECT101方法差不多，但通過圖我們可以看出來，第一種邊緣部分有點點突兀，而第二種就比較平滑。

import cv2zxc=cv2.imread('img.png')
top,bottom,left,right=50,50,50,50
reflact=cv2.copyMakeBorder(zxc,top,bottom,left,right,borderType=cv2.BORDER_REFLECT)
reflact101=cv2.copyMakeBorder(zxc,top,bottom,left,right,borderType=cv2.BORDER_REFLECT101)
cv2.imshow('zxc',zxc)
cv2.imshow('constant',reflact)
cv2.imshow('reflect',reflact101)
cv2.waitKey(0)

3 拉伸填充

import cv2zxc=cv2.imread('img.png')
top,bottom,left,right=50,50,50,50
replicate=cv2.copyMakeBorder(zxc,top,bottom,left,right,borderType=cv2.BORDER_REPLICATE)
cv2.imshow('zxc',zxc)
cv2.imshow('constant',replicate)
cv2.waitKey(0)

4 循環平鋪填充

import cv2zxc=cv2.imread('img.png')
top,bottom,left,right=50,50,50,50
cv2.imshow('zxc',zxc)
wrap=cv2.copyMakeBorder(zxc,top,bottom,left,right,borderType=cv2.BORDER_WRAP)
cv2.imshow('reflect',wrap)
cv2.waitKey(0)

二?圖像加運算

第一篇文章也說了，opencv把圖片轉化為了一個一個 像素值，那么就可以進行加，這里有兩種方法，一個是直接加，一個是用add方法。注意這里相加，要尺寸大小一樣才能相加。

1 直接加

對兩張圖像每個像素值直接相加（例：像素A(150) + 像素B(120) = 270 → 截斷為255）

import cv2long=cv2.imread('img_3.png')
tu=cv2.imread('img_5.png')
long=cv2.resize(long,(800,600))
tu=cv2.resize(tu,(800,600))
c=long+tu
cv2.imshow('long',long)
cv2.imshow('tu',tu)
cv2.imshow('aa',c)
cv2.waitKey(0)

2?cv2.addWeighted加權相加

這種更平滑，不會有出現超過255像素值的那種情況

import cv2long=cv2.imread('img_3.png')
tu=cv2.imread('img_5.png')
long=cv2.resize(long,(800,600))
tu=cv2.resize(tu,(800,600))
d=cv2.addWeighted(long,0.5,tu,0.5,0)cv2.imshow('bb',d)
cv2.waitKey(0)

三 閾值處理

閾值處理就是對圖片像素值設定一個閾值，大于這個就是就設置為其他像素或怎么的，下面看代碼詳解。

1?cv2.THRESH_BINARY

這里還先對圖像作了灰度圖處理，有利于對閾值操作。這里閾值處理后會返回兩個值，一個是閾值，另一個就是處理好的圖像。具體原理看上方表格

import cv2a=cv2.imread('img_2.png',0)
a=cv2.resize(a,(800,600))
_,binary=cv2.threshold(a,170,255,cv2.THRESH_BINARY)cv2.imshow('a',a)
cv2.imshow('binary',binary)
cv2.waitKey(0)

2?cv2.THRESH_BINARY_INV

這個就是上面的一個后面加了INV，其實就是上面處理好的圖中，黑色變白色，白色變黑色，反轉了一下。

import cv2a=cv2.imread('img_2.png',0)
a=cv2.resize(a,(800,600))
_,binaryinv=cv2.threshold(a,170,255,cv2.THRESH_BINARY_INV)cv2.imshow('a',a)
cv2.imshow('binary',binaryinv)
cv2.waitKey(0)

3?cv2.THRESH_TRUNC

這里設定的閾值為170，然后超過的就記作170，低于的就按照原像素值1

import cv2a=cv2.imread('img_2.png',0)
a=cv2.resize(a,(800,600))
_,trunc=cv2.threshold(a,170,255,cv2.THRESH_TRUNC)cv2.imshow('a',a)
cv2.imshow('binary',trunc)
cv2.waitKey(0)

4THRESH_TOZERO和THRESH_TOZERO_INV

import cv2a=cv2.imread('img_2.png',0)
a=cv2.resize(a,(800,600))
_,tozero=cv2.threshold(a,170,255,cv2.THRESH_TOZERO)
_,tozeroinv=cv2.threshold(a,170,255,cv2.THRESH_TOZERO_INV)
cv2.imshow('a',a)
cv2.imshow('binary',tozero)
cv2.imshow('binaryinv',tozeroinv)
cv2.waitKey(0)

五?圖像平滑處理

這里有四種常用圖像濾波方法可以進行圖像平滑處理

下面我先對圖片加上椒鹽噪聲。

1. ?均值濾波 (Mean Filtering)??

?原理?：
對圖像中每個像素點，取其鄰域內（如3×3、5×5）所有像素的算術平均值作為該點的新值。

import random
import cv2def zs(src,n):c=src.copy()print(c.shape)for i in range(n):x=random.randint(1,c.shape[0]-1)y=random.randint(1,c.shape[1]-1)if random.randint(0,1) == 0:c[x,y]=255else:c[x,y]=0return ctu=cv2.imread('img_5.png')
ntu=zs(tu,10000)
jz=cv2.blur(ntu,(3,3))
cv2.imshow('tu',tu)
cv2.imshow('ntu',ntu)
cv2.imshow('jz',jz)
cv2.waitKey(0)

我們先定義了一個函數，對圖像添加了椒鹽噪聲，然后進行了均值濾波處理

這里處理結果顯然不是很好.

2 高斯濾波 (Gaussian Filtering)??

?原理?：
對鄰域內像素進行加權平均，權重由二維高斯函數生成，距離中心點越近權重越大

import random
import cv2def zs(src,n):c=src.copy()print(c.shape)for i in range(n):x=random.randint(1,c.shape[0]-1)y=random.randint(1,c.shape[1]-1)if random.randint(0,1) == 0:c[x,y]=255else:c[x,y]=0return ctu=cv2.imread('img_5.png')
ntu=zs(tu,10000)
jz=cv2.blur(ntu,(3,3))
gs=cv2.GaussianBlur(ntu,(3,3),0)
cv2.imshow('tu',tu)
cv2.imshow('ntu',ntu)
cv2.imshow('gs',gs)
cv2.waitKey(0)

3 方框濾波

1. 核心計算邏輯?

   • 對圖像中每個像素的?3×3?鄰域內所有像素值直接求和，?不進行歸一化?（即不除以像素數量?9）。
   • 數學表達：output(x,y)=i=?1∑1?j=?1∑1?input(x+i,y+j)

2. ?與歸一化方框濾波的區別?

   • ?歸一化模式?（normalize=True）：
     等價于均值濾波（cv2.blur()），輸出鄰域像素平均值，結果平滑但保留亮度范圍。
   • ?非歸一化模式?（normalize=False）：
     輸出為鄰域像素值之和，結果常因數值溢出呈現 ?全白或高亮區域?。

import random
import cv2def zs(src,n):c=src.copy()print(c.shape)for i in range(n):x=random.randint(1,c.shape[0]-1)y=random.randint(1,c.shape[1]-1)if random.randint(0,1) == 0:c[x,y]=255else:c[x,y]=0return ctu=cv2.imread('img_5.png')
ntu=zs(tu,10000)
jz=cv2.blur(ntu,(3,3))
fk1=cv2.boxFilter(ntu,-1,ksize=(3,3),normalize=True)
fk2=cv2.boxFilter(ntu,-1,ksize=(3,3),normalize=False)cv2.imshow('tu',tu)
cv2.imshow('ntu',ntu)
cv2.imshow('fk1',fk1)
cv2.imshow('fk2',fk2)
cv2.waitKey(0)

下面的第一張圖我沒有加歸一化，這樣的話就好第一種方法均值濾波差不多了。但加完之后圖片就太模糊了。

4?中值濾波 (Median Filtering)??

?原理?：
取鄰域內所有像素值的中位數替代中心像素值。
?計算步驟?：

1. 提取鄰域像素值
2. 排序后取中間位置的值

?適用場景?：

• 高效去除椒鹽噪聲?（黑白點狀噪聲）
• 需保留銳利邊緣的場景
  ?特點?：
• ? 完全消除孤立噪聲點
• ? 邊緣保護能力極強
• ? 計算開銷較大（需排序）

import random
import cv2def zs(src,n):c=src.copy()print(c.shape)for i in range(n):x=random.randint(1,c.shape[0]-1)y=random.randint(1,c.shape[1]-1)if random.randint(0,1) == 0:c[x,y]=255else:c[x,y]=0return ctu=cv2.imread('img_5.png')
ntu=zs(tu,10000)
jz=cv2.blur(ntu,(3,3))
zz=cv2.medianBlur(ntu,5)
cv2.imshow('tu',tu)
cv2.imshow('ntu',ntu)
cv2.imshow('zz',zz)
cv2.waitKey(0)

從結果上看，這種方法對處理椒鹽噪聲是特別好的。